Modelación ARIMA. 41 Página

Tamaño: px
Comenzar la demostración a partir de la página:

Download "Modelación ARIMA. 41 Página"

Transcripción

1 4 Modelación ARIMA A finales del siglo XX diversos investigadores comenzaron a desarrollar y aplicar nuevas propuestas para la modelación de series de tiempo, las cuales lograron probar su eficacia, ya que son capaces de tratar con cualquier patrón de datos y producir pronósticos precisos en base a la descripción de patrones históricos en los datos (Aguirre 994). Las nuevas propuestas de análisis de series de tiempo se empezaron a implementar en un principio a problemas de contaminación, en la economía, a enfermedades epidemiológicas y en la actualidad a fenómenos físicos e inclusive fenómenos sociales. Específicamente los modelos desarrollados en las últimas décadas son los llamados autorregresivos (AR), de medias móviles (MA), integrados (I), así como las posibles combinaciones entre estos (ARMA y ARIMA). La principal diferencia entre estos modelos y los clásicos es el enfoque estocástico que se le da a las series de tiempo, en vez de tratarlas de forma determinística. Bajo este enfoque se concibe a la serie de tiempo como un conjunto de valores de tipo aleatorio, generados a partir de un proceso totalmente desconocido, es decir, se concibe a la serie como un proceso estocástico. Así mismo, derivado del desconocimiento del proceso generador de los datos, el objetivo de este enfoque es tratar de identificar el modelo probabilístico que represente las características principales del comportamiento de la serie (Aguirre 994). El desarrollo y aplicación de este tipo de modelos de series de tiempo en un principio estuvieron gravemente limitados, fundamentalmente debido a razones de cómputo. Actualmente con la amplia disponibilidad de las computadoras, el uso de los modelos ARIMA se ha tornado posible. En el presente texto se hace imprescindible el uso de paquetes informáticos especializados en la modelación ARIMA. En especial se hacen necesarios debido a la frecuencia con que se manejan grandes volúmenes de información. De otra forma, utilizar métodos tradicionales haría que la tarea de modelar bajo este enfoque fuera casi imposible de realizar. 4 Página

2 4. Enfoque y procesos estocásticos En general las series de interés llevan asociados fenómenos aleatorios. Por este motivo el estudio de su comportamiento pasado sólo permite acercarse a la estructura o modelo probabilístico para la predicción del futuro. La teoría de los procesos estocásticos se centra en el estudio y modelización de sistemas que evolucionan a lo largo del tiempo, o del espacio, de acuerdo a unas leyes no determinísticas, esto es, de carácter aleatorio y probabilístico. Para aclarar esta idea definimos un proceso estocástico como una familia de variables aleatorias asociadas a un conjunto índice de números reales, de tal forma que a cada elemento del conjunto le corresponda una y sólo una variable aleatoria que evoluciona con el tiempo: Con,2,3,, Bajo este enfoque, una serie de tiempo se define como una observación particular sobre el estado dinámico de una variable de un proceso de naturaleza aleatoria. Simultáneamente se presupone que los procesos de series de tiempo siguen un comportamiento aleatorio y debido a la propia dinámica de dicho proceso, tales impulsos pueden generar un conjunto de datos serialmente dependientes. Así, mediante la identificación de la estructura de dependencia latente existe entre las observaciones, se puede modelar la serie. Una de las principales ventajas de este enfoque aplicado a las series de tiempo, es la gran flexibilidad que se logra para representar un buen número fenómenos reales mediante una sola clase general de modelos. Otra ventaja es la facilidad y precisión para realizar pronósticos. 4.2 Modelos AR, MA y mixtos La estructura existente de dependencia entre los datos en un proceso estocástico, puede ajustarse a seis modelos que pueden describir una gran variedad de fenómenos reales. La principal característica de dichos modelos es que no involucran a las variables independientes en su construcción, es decir, a la variable del tiempo, como se hace en el análisis clásico. En cambio, emplean la información que se encuentra en la serie misma para generar los pronósticos (Makridakis y Wheelwright 2). Los modelos son los que se describen a continuación (Arnau 2): Proceso de ruido blanco (a t ): Es un proceso formado por una secuencia de variables aleatorias mutuamente independientes e idénticamente distribuidas. Modelo no estacionario de corrido aleatorio - (I): Correspondiente a aquellas situaciones en las que los impulsos aleatorios tienden a sumarse o a integrase en el tiempo. La integración refleja la presencia de un componente de tendencia. 42 Página

3 Modelo autorregresivo de orden p - AR(p): Se trata de un modelo en el que una determinada observación es predecible a partir de la observación inmediatamente anterior (modelo autorregresivo de primer orden) o a partir de las dos observaciones que le preceden (modelo autorregresivo de segundo orden). En este caso, la observación actual se define como la suma ponderada de una cantidad finita de observaciones precedentes más un impulso aleatorio independiente. Matemáticamente, un modelo autorregresivo tiene la forma siguiente: En donde es la variable dependiente y,,, son las variables independientes. En este caso, las variables independientes son valores de la misma variable (de aquí el nombre de auto), pero de periodos anteriores, 2, 3,,. Por último, es el error, o término residual, que representa perturbaciones aleatorias que no pueden ser explicadas por el modelo. El modelo se llama autorregresivo porque se asemeja a la ecuación de regresión: Las variables independientes son simplemente valores rezagados de la variable dependiente con rezagos de tiempo, 2, 3,, periodos. Modelo de Medias Móviles de orden q - MA(q): En este modelo, una determinada observación está condicionada por los impulsos aleatorios de las observaciones anteriores. De esta forma la observación actual se define como la suma del impulso actual y de los impulsos aleatorios anteriores con un determinado peso. El modelo de medias móviles tiene la siguiente forma: Donde es el residuo o error en el periodo y,,,, son los valores anteriores del error. La ecuación es semejante a la anterior, con la excepción de que implica que la variable dependiente depende de valores previos del término residual más que de la variable misma. Modelo autorregresivo de medias móviles de orden p,q - ARMA(p,q): Este modelo es la combinación de las estructuras anteriores: modelo autorregresivo y modelo de medias móviles. Así, una observación está determinada tanto por observaciones anteriores así como por impulsos aleatorios o también llamados errores de observaciones pasadas. La forma general de un modelo autorregresivo de medias móviles es: 43 Página

4 Se observa que la ecuación es sencillamente una combinación de las ecuaciones del modelo AR y MA. En la ecuación anterior simboliza los valores tomados por la variable durante los periodos anteriores, 2, 3,,. El grado de influencia de cada valor anterior sobre el valor considerado de la variable viene dado pr el parámetro correspondiente,,,. Por su parte representa los errores o residuos de la variable durante los momentos anteriores, 2, 3,,. El grado de influencia de cada uno de ellos viene ponderado por el parámetro correspondiente,,,. Un modelo ARMA puede ajustarse a cualquier patrón de datos. Sin embargo, los valores de y se deben de especificar. Por ejemplo si, el modelo ARMA es: El modelo derivado de esta ecuación es llamado modelo AR de primer orden y se escribe como AR() o ARMA(,). Si 2, el modelo correspondiente es un AR(2) o un modelo ARMA(2,) de la forma: La ecuación es un proceso AR de segundo orden. Cuando, se trata de un modelo MA de primer orden y se escribe como MA() o ARMA(,): Cuando 2, el modelo es un MA(2) o ARMA(,2) de la forma: Por último y pueden cada una ser diferentes de, en cuyo caso existe un modelo ARMA mixto. Por ejemplo, cuando, el modelo es un modelo ARMA(,) y es de la forma: Es interesante darse cuenta que esta ecuación es no lineal y por lo tanto suficientemente general para describir una amplia variedad de patrones de datos. Obviamente y pueden adoptar muchos otros valores, aun cuando raramente son mayores que 2. Modelo autorregresivo integrado de medias móviles de orden p,d,q - ARIMA(p,d,q): Al igual que un modelo ARMA, es la combinación de los modelos autorregresivo y el de medias móviles, con la particularidad de incluir un proceso de restablecimiento (el cual se denomina integración) de 44 Página

5 inestabilidad original presente en una serie de tiempo. La idea de inestabilidad es una característica que se presenta más adelante en la sección 4.3. La forma general de un modelo ARIMA es semejante al de un modelo ARMA: Donde: : En ocasiones es apropiado incluir un término constante a los modelos AR, MA y ARIMA. En un modelo que contiene sólo parámetros de media móvil, el valor de la constante es la media de los valores de la serie. Mientras tanto en un modelo autorregresivo (Arnau 2). La inclusión del término depende de la serie en estudio. Concretamente, depende del valor de la media. Si la media de todas las observaciones es cero o muy cercana, no se incluye término constante. Si la media es significativamente distinta de cero, se incluye el término. Un rápido indicador, es conocer si la serie ha sido diferenciada (este concepto se estudia posteriormente). Si la serie ha sido diferenciada, la constante es eliminada, se puede probar que en una serie diferenciada. Por el otro lado si la serie no es diferenciada, se debe verificar el valor de (Arnau 2). 4.3 Metodología Box-Jenkins No estacional Existen distintas metodologías que ayudan a elegir el modelo que mejor se represente a la serie de tiempo de entre los diversos modelos existentes. La metodología más usada y difundida es la que propusieron los profesores G.E.P Box y G.M Jenkins en la década de los años 97, en la cual lograron grandes avances en identificar, ajustar y verificar los modelos ARIMA adecuados (Hanke y Wichern 26). Comúnmente se le conoce como Metodología Box-Jenkins. Se especifica en esta metodología únicamente el uso de los modelos ARIMA ya que los modelos autorregresivos (AR) y los de medias móviles (MA) se dicen que son las formas particulares de la clase general de modelos ARMA y este a su vez del modelo ARIMA. Esta metodología se basa en tratar de determinar cuál es el modelo probabilístico que rige el comportamiento del proceso a lo largo del tiempo. Cabe apuntar en este momento la diferencia entre proceso y modelo. Se puede decir que un proceso es lo real, es decir, el fenómeno en sí, del cual se desconoce su mecanismo generador. Por el otro lado un modelo es solo la imitación o representación del proceso (Pankratz 983). En esta sección se estudiará el caso particular de la aplicación de modelos ARIMA para datos no estacionales, es decir, datos que no presentan fluctuaciones periódicas a lo largo del tiempo. Además en cuanto al tipo de datos que son aptos para someterse al análisis mediante la modelación ARIMA, se puede decir debido a la experiencia, que la mayoría de las series de tiempo se pueden modelar mediante estos métodos. Por ese motivo esta metodología es ampliamente utilizada. 45 Página

6 Sólo se destacan en seguida algunas consideraciones importantes acerca de la naturaleza de los datos en la modelación ARIMA (Pankratz 983): Los modelos ARIMA aplican tanto para datos discretos o continuos. Los datos discretos son aquellos que son medidos solamente en números enteros, nunca con cifras decimales. Mientras tanto los datos continuos son medidos en intervalos fraccionarios, es decir, con cifras decimales. Aunque la metodología ARIMA trata tanto con datos discretos y continuos, sólo se puede aplicar a datos espaciados equidistantemente en el tiempo, en intervalos discretos de tiempo. Los datos medidos en intervalos discretos de tiempo pueden clasificarse en dos tipos: ) datos que son producto de la acumulación durante un periodo de tiempo, por ejemplo los ahorros de una persona en un mes. 2) datos que son producto de la medición instantánea periódicamente, por ejemplo la medición de la presión en una tubería en intervalos de una hora. Para elaborar un modelo ARIMA se requiere una cierta cantidad de datos mínimo. Los profesores Box y Jenkins sugieren un mínimo de 5 observaciones. Un modelo ARIMA se puede aplicar a una serie con menor tamaño, realizando con especial cautela su interpretación. Para series con patrones estacionales se aconseja una serie con gran número de muestras observadas. Los modelos ARIMA son especialmente útiles en el tratamiento de series que presentan patrones estacionales. Los métodos Box-Jenkins aplican a series estacionarias y no estacionarias. Una serie estacionaria es aquella cuya media, varianza y función de autocorrelación permanecen constantes en el tiempo. Se asume que las perturbaciones aleatorias presentes en la serie, son independientes entre sí. No existe correlación entre ellas, por lo tanto ningún patrón modelable. Una vez hechas estas anotaciones, se puede entrar de lleno a la metodología. La Figura 4. muestra las etapas esenciales en la aplicación de esta metodología (Aguirre 994). De la figura se destacan en especial 5 etapas principales:. Estacionariedad 2. Identificación 3. Estimación 4. Evaluación 5. Pronóstico Cada una de estas etapas se desarrolla en las siguientes secciones. 46 Página

7 Es la serie estacionaria? No Inducir estacionariedad Sí. Estacionariedad Identificar modelos posibles 2. Identificación Estimar los parámetros de los modelos tentativos 3. Estimación No Son adecuados los modelos estimados sobre la serie estacionaria? 4. Evaluación Sí Restablecer noestacionaridad 5. Pronósticos No Son adecuados los pronósticos? Establecer modelos Figura 4. Metodología Box Jenkins 4.3. Estacionariedad Los procesos estocásticos se clasifican en estacionarios y no estacionarios. La idea de estacionariedad está relacionada con la estabilidad de la serie. Un proceso estacionario se describe como una secuencia de datos o valores que no presentan cambio sistemático en la media, ni cambio sistemático alguno en la varianza, se dice entonces que la serie es estable. De forma parecida, un proceso no estacionario es aquel que presenta cambios sistemáticos en la media y/o varianza; la serie de datos es inestable en el tiempo. Aplicado dicho concepto a una secuencia cronológica y explicado en forma intuitiva, una serie de tiempo es estacionaria si sus propiedades estadísticas (media, varianza) son esencialmente constantes a través del tiempo. Una serie cuya media y/o varianza cambian a través del tiempo es una serie no estacionaria (Bowerman, O Conell, Koehler 27). A partir de la definición previa, se puede advertir que una serie cuyos valores fluctúan respecto de una media constante, es decir, sin tendencia, es una serie estacionaria. 47 Página

8 La Figura 4.2 muestra la gráfica de una serie de tiempo, en ella se observa que los valores de una serie de tiempo fluctúan respecto de una media constante, entonces es razonable pensar que la serie temporal es estacionaria. Si los valores no fluctúan respecto de una media constante o fluctúan con variación constante, entonces es razonable pensar que la serie de tiempo es no estacionaria, como se observa en la Figura 4.3. Este concepto es importante ya que el primer paso en la metodología Box-Jenkins es determinar si la serie de tiempo es estacionaria. En caso de que la serie de datos no sea estable a lo largo del tiempo, es necesario aplicar una transformación a la serie para inducirla a ello. Este paso es indispensable para poder aplicar las demás etapas de esta metodología. Existen dos formas de conocer si una serie es estacionaria: por medio del gráfico de la serie y mediante la exploración de función de autocorrelación simple.. Por medio de inspección gráfica Visualmente se puede advertir si la serie es estacionaria si se detectan elevaciones o inclinaciones en los datos. Cualquier patrón de este tipo expresa que la serie es inestable. Por ejemplo la Figura 4.2 previamente analizada, muestra una serie de datos estable, se observa que los valores giran alrededor de una media constante, sin incrementos o decrementos. Por otro lado la Figura 4.3 muestra una serie con una fuerte tendencia ascendente, indicador inmediato de inestabilidad. Yt Yt Tiempo Tiempo Figura 4.2 Serie de tiempo estacionaria Figura 4.3 Serie de tiempo no estacionaria 2. Por medio de las funciones de autocorrelación Cuando visualmente no es factible determinar si la serie es estacionaria, usualmente se recurre a la función de autocorrelación simple (FAS), en especial en aquellas series con tendencia poco remarcada. El reconocimiento de la estabilidad se logra a partir de la variedad de comportamientos que esta función que puede mostrar (Bowerman, O Conell, Koehler 27). 48 Página

9 En primer lugar, la función de autocorrelación simple se puede cortar ó truncar. Para explicar este término, se dice que existe una espiga en el desfasamiento en la FAS si es estadísticamente grande. Se considera que existe una espiga en la función si el valor absoluto de: es mayor que 2. La función de autocorrelación se trunca después del desfasamiento si no hay espigas en los desfasamientos mayores que k en la función. Por ejemplo, si Entonces la función de autocorrelación simple se trunca o se corta después del desfasamiento 2. Esto se ilustra en la siguiente figura (Figura 4.4) Figura 4.4 La función de autocorrelación se trunca La salida de MINITAB muestra automáticamente el valor de asociado a cada coeficiente y además muestra en la gráfica (Figura 4.5) un par de bandas que representan el valor de dos desviaciones estándar 2. Si un coeficiente sobrepasa estas bandas ya sea en la parte de arriba como en la de abajo, significa que el valor de es mayor que Página

10 Autocorrelation Function for Yt (with 5% significance limits for the autocorrelations) Autocorrelation Lag Figura 4.5 Salida MINITAB función de autocorrelación simple Segundo, la función de autocorrelación simple decae ó se extingue si esta no se corta o muere sino que decrece en una forma permanente. Puede extinguirse de tres maneras: En forma exponencial (Figura 4.6) En seno amortiguada (Figura 4.7) En combinación de y 2 (Figura 4.8) Además puede cortarse con gran rapidez como se muestra en la Figura 4.9 o puede extinguirse con lentitud extrema como se muestra en la Figura Figura 4.6 Se extingue en forma exponencial 5 Página

11 Figura 4.7 Se extingue en forma de seno amortiguada Figura 4.8 Se extingue en forma en forma combinada Figura 4.9 Se extingue con gran rapidez 5 Página

12 5 5 2 Figura 4. Se extingue con lentitud extrema En general, se puede demostrar que: Si la función de autocorrelación simple de los valores,, de la serie de tiempo se corta claramente con rapidez o si se corta rápidamente, entonces se deben considerar que los valores de la serie temporal son estacionarios. Si la función de autocorrelación simple de los valores,, de la serie de tiempo se corta con lentitud extrema, entonces se deben considerar que los valores de la serie de tiempo son no estacionarios Cabe aclarar que los términos claramente con rapidez y con lentitud extrema es algo arbitrario, y se puede determinar mejor a través de la experiencia. Además, la experiencia indica que en lo que se refiere a datos no estacionales, si la función de autocorrelación simple se trunca claramente con rapidez, casi siempre sucede así, después de un desfasamiento que es menor o igual a 2 (Bowerman, O Conell, Koehler 27). De esta simple forma se determina por medio de la FAS si la serie es estacionaria. Ahora bien, la realidad es que las series de tiempo normalmente no se comportan establemente, es decir, no son procesos estocásticos estacionarios. Cuando se presenta esa situación entonces es preciso aplicar una transformación a los valores de la serie para tener una serie temporal estacionaria. Existen distintas maneras de inducir la estacionariedad en una serie de tiempo, la más usada es el método llamado de construcción de diferencias. Este método consiste, como su nombre lo dice, en obtener diferencias entre los mismos valores de la serie, para remover cualquier patrón de tendencia. Las primeras diferencias de los valores de la serie de tiempo,,, son: 2,3,, 52 Página

13 La Tabla 4. muestra cómo se hace la diferenciación y cómo los datos con una tendencia lineal se convierten en estacionarios (horizontales) después de diferenciar. Gráficamente se puede observar esta transformación en la Figura 4. Serie de datos Primeras diferencias Nueva serie = = = = = = Tabla 4. Obtención de las primeras diferencias en una serie 6 2 Serie original con tendencia Nueva serie Yt 8 4 Tiempo Figura 4. Transformación de la serie de tiempo mediante las primeras diferencias En ocasiones es necesario realizar más de una diferenciación para generar valores de series de tiempo estacionarias. Si los valores originales no son estacionarios y las primeras diferencias de los valores originales de la serie de tiempo tampoco son estacionarios, entonces podemos obtenerlas segundas diferencias de los valores originales de la serie de tiempo. Las segundas diferencias de los valores de la serie de tiempo son: 2 3,4,, 53 Página

14 La Tabla 4.2 muestra cómo se obtienen las segundas diferencias a una serie de tiempo, se puede apreciar que las primeras diferencias siguen siendo no estacionarias, al aplicar una nueva diferenciación se obtiene una serie estacionaria. Cabe aclarar que la notación tan sólo se usa para indicar que la serie se transformó, ya sea mediante las primeras o las segundas diferencias. En la gráfica de la Figura 4.2 se observa ambas transformaciones a la serie original. Serie de datos Primeras diferencias Nueva serie Segundas diferencias Nueva serie = = = = = = = = = = = Tabla 4.2 Obtención de las segundas diferencias de una serie 6 2 Serie original Serie primeras diferencias Series segundas diferencias Yt 8 4 Tiempo Figura 4.2 Transformación de la serie mediante primeras y segundas diferencias La experiencia indica que si los valores de la serie de tiempo original son no estacionarios y no estacionales, entonces si se aplica la primera transformación por diferencias o la segunda transformación por diferencias por lo general se producen valores estacionarios de la serie de tiempo. Una vez introducido el tema de estabilidad en una serie de tiempo, es turno de hacer un pequeño paréntesis en el curso de la metodología Box-Jenkins, a fin esclarecer la diferencia entre un modelo ARMA y un modelo ARIMA. La diferencia se halla en que un modelo ARMA(p,q) es capaz de operar únicamente sobre series estacionarias, mientras que un modelo ARIMA(p,d,q) es capaz de operar tanto sobre series de tiempo no estacionarias, como en series estacionarias. 54 Página

15 El modelo ARIMA(p,d,q) es capaz de operar sobre cualquier ya que se incluye el proceso de estabilización de la serie, por medio del parámetro, que simboliza el grado de diferenciación aplicado a la serie de tiempo. Por ejemplo si, significa que se esta trabajando con las primeras diferencias de la serie; si 2, se trabaja con las segundas diferencias y así sucesivamente Identificación Una vez que se asegura que la serie es estable en el tiempo. El siguiente paso en la metodología Box- Jenkins es la identificación del modelo probable que rige el proceso de la serie de tiempo. Las ideas básicas de esta fase son las siguientes: La serie de tiempo que se encuentre en proceso de estudio cuenta con sus respectivas funciones de autocorrelación simple y parcial (FAS y FAP), que se denominan prácticas o calculadas. Por otra parte, cada una de las distintas configuraciones ARMA posee su FAS y FAP teóricas asociadas al modelo. Si la FAS y FAP calculadas de la serie a la que deseamos ajustar un modelo se asemeja a alguna o varias FAS y FAP teóricas, entonces podemos decir que el modelo ARMA teórico es un modelo tentativo para la serie. Queda claro entonces que la identificación del modelo probable se realiza por medio de la comparación de las funciones de autocorrelación calculadas contra las teóricas (tanto simples como parciales). Las funciones de autocorrelación calculadas sólo se usan como guías para escoger uno o varios modelos ARMA que parezcan apropiados, ya que tan sólo brindan una aproximación a la estructura más adecuada que debe considerarse. Las funciones de autocorrelación teóricas por su parte se derivan de una familia de modelos ARMA propuestos por Box y Jenkins. Cabe aclarar que aunque existen una infinidad de posibles procesos dentro de estos modelos ARMA, la mayoría de los procesos que ocurren normalmente en la práctica caben dentro de un número reducido de modelos. Es por esto que los modelos más comunes en la práctica, suelen ser precisamente los propuestos y desarrollados por estos profesores (Pankratz 983) De esta manera entonces los profesores Box y Jenkins sugirieron una completa familia de modelos teóricos de los cuales se puede escoger: AR(), AR(2), MA(), MA(2), ARMA(,). Las principales características que se observan de las funciones de autocorrelación teóricas son: Modelo FAS FAP AR Decae a cero Se trunca o se corta (después del retraso p) MA Se trunca o se corta (después del retraso q) Decae a cero ARMA Decae a cero Decae a cero Tabla 4.3 Características FAS y FAP Teóricas (Pankratz) 55 Página

16 A partir de la tabla anterior se describe en seguida a detalle las características de cada uno de los posibles modelos ARMA (Pankratz 983). Modelo AR: Las funciones de autocorrelación simples de los procesos autorregresivos decaen a cero. Es común que se usen también las expresiones: se extingue o se muere. La forma en que se extingue la FAS puede ser de forma exponencial, en forma de seno amortiguado, etc. Ahora bien, las funciones de autocorrelación parcial contienen espigas significativas hasta el retraso, después del cual la función se corta. El número de espigas indica por tanto, el orden del proceso autorregresivo. Usualmente no sobrepasa el valor de 2 o 3. La Figura 4.3 (Aguirre 994) muestra dos configuraciones posibles para un modelo AR() o bien ARMA(,). De esta figura se puede destacar que la FAS de un proceso autorregresivo de primer orden decae exponencialmente hacia cero, mientras que existe una espiga significativa en la FAP en el primer retraso. Además si, La FAS decae positivamente hacia cero y la espiga en la FAP es positiva también. Si, la FAS decae hacia cero alternando signos, mientras que la espiga significativa en la FAP es negativa. a) FAS FAP b) FAS FAP Figura 4.3 Funciones de autocorrelación simple y parcial teóricas para el modelo AR() 56 Página

17 Para un modelo AR(2) o ARMA (2,) existen una mayor variedad de patrones posibles que para un modelo AR(). En general un proceso autorregresivo de segundo orden cuenta con una FAS que decae a cero tanto de forma exponencial como de seno amortiguado ó bien una mezcla de ambos. La FAP se caracteriza por tener espigas en los retrasos y 2. El patrón exacto depende en las posibles combinación de signos para. En la Figura 4.4a y 4.4b se muestran cuatro posibles combinaciones. a) FAS FAP b) FAS FAP c) FAS FAP Figura 4.4a Funciones de autocorrelación simple y parcial teóricas para el modelo AR(2) 57 Página

18 d) FAS FAP - Figura 4.4b Funciones de autocorrelación simple y parcial teóricas para el modelo AR(2) Modelo MA: En general la FAS de un proceso de medias móviles cuenta con espigas significativas hasta el retraso, después del cual se corta la función. La FAP por su lado decae de forma exponencial o en forma de seno amortiguado. Normalmente el valor de no es mayor que 2 o 3. La Figura 4.5 muestra las configuraciones de un modelo MA(). Se ilustra como si en la FAS se presenta una espiga positiva mientras que la FAP decae exponencialmente a cero alternando signos. Si la espiga en la FAS es negativa, la FAP decae exponencialmente a cero con signo negativo. a) FAS FAP b) FAS FAP Figura 4.5 Funciones de autocorrelación simples y parcial teóricas para el modelo MA() 58 Página

19 Para un modelo MA(2) la Figura 4.6a y 4.6b muestra algunas formas que pueden tomar las funciones de autocorrelación. Se muestra que existen espigas en la FAS hasta el retraso, en este caso hasta 2 y después de este retraso la función de corta o se extingue. La FAP decae a cero con distintas configuraciones. a) FAS FAP b) FAS FAP c) FAS FAP - Figura 4.6a Funciones de autocorrelación simples y parcial teóricas para el modelo MA(2) 59 Página

20 d) FAS FAP - - Figura 4.6b Funciones de autocorrelación simple y parcial teóricas para el modelo MA(2) Modelos ARMA: Las funciones de autocorrelación combinan las características que se presentan en los modelos AR y los MA. En general la FAS decae a cero tanto exponencialmente como en forma de seno amortiguado después del retraso de tiempo. La FAP teórica también decae a cero después del retraso. Se muestran en la Figura 4.7a y 4.7b seis posibles combinaciones para el modelo teórico ARMA(,) a) FAS FAP - - b) FAS FAP - - Figura 4.7a Funciones de autocorrelación simple y parcial teóricas para el modelo ARMA(,) 6 Página

21 c) FAS FAP - - d) FAS FAP - - e) FAS FAP - - f) FAS FAP - - Figura 4.7b Funciones de autocorrelación simple y parcial teóricas para el modelo ARMA(,) 6 Página

22 Es probable que exista cierta ambigüedad al determinar un modelo ARIMA apropiado a partir de los patrones que provienen de las FAS y FAP parciales de la muestra. Cualquier modelo que se escoja, se considera simplemente tentativo: sólo es un candidato para ser considerado como el modelo ideal. Si no fuera el caso, se deberá intentar con un modelo alterno Estimación En esta etapa se estiman los coeficientes del modelo escogido tentativamente en el paso anterior, existen distintos criterios para dicho propósito. Usualmente se realiza por medio de paquetes informáticos. Además en esta etapa se puede pre-visualizar la adecuación del modelo a la serie de tiempo. Particularmente si los coeficientes no satisfacen ciertas condiciones matemáticas, el modelo es rechazado. El principal criterio para el cálculo de los parámetros es el llamado Estimación de máxima verosimilitud ó Maximum Likelihood (ML por sus siglas en ingles). Se ha demostrado que los parámetros estimados a través de este criterio reflejan con gran exactitud las características presentes en los datos de la serie de tiempo. Sin embargo éste método se ve limitado debido al gran tiempo que conlleva realizar la estimación, aún con el uso de la computadora (Pankratz 983). Por esta razón la mayoría de la literatura existente sugiere el uso del criterio de mínimos cuadrados o least squares (LS por sus siglas en ingles). Se ha demostrado que las estimaciones hechas mediante este criterio son muy cercanas a las del criterio de máxima verosimilitud. La estimación de los parámetros del modelo ARMA seleccionado, se realiza por medio de minimizar la suma de los cuadrados de los residuales SSR (sum of squared residuals). En general, estos estimados de los mínimos cuadrados deben obtenerse mediante un procedimiento no lineal de mínimos cuadrados. Un procedimiento no lineal de mínimos cuadrados es, sencillamente, un algoritmo que encuentra el mínimo de la suma de la función de errores cuadrados, mediante un proceso iterativo. Los residuales de cualquier modelo ARMA se definen como: Donde: : : : á Entonces, la suma de los cuadrados de los residuales se define como: Esta última función es la que se debe minimizar, a través de la búsqueda de los parámetros del modelo ARMA que se desea ajustar. 62 Página

23 Finalmente obtenidos los parámetros del modelo ARMA propuesto, deben de cubrir en conjunto los siguientes requerimientos (Pankratz 983):. El modelo debe tener parsimonia: Box y Jenkins enfatizaron la importancia del principio de parsimonia. Un modelo con parsimonia ajusta la información disponible sin usar coeficientes innecesarios. Es decir, se opta siempre por el modelo con el menor número de coeficientes. Este principio es importante ya que en la práctica un modelo con esta característica produce mejores predicciones. El objetivo en la modelación ARIMA no es encontrar el modelo exacto que represente al proceso generador de las observaciones, es más bien encontrar el modelo que se aproxime al verdadero proceso y que explique el comportamiento de la variable en estudio de forma adecuada y práctica. 2. El modelo debe ser estacionario e inversible: La metodología Box-Jenkins requiere que el modelo que se utiliza para la descripción y pronóstico de una serie de tiempo sea tanto estacionario como inversible. La inversibilidad se refiere a que cualquier modelo ARIMA puede expresar a la serie en función de las observaciones pasadas, es decir,,,. Esto es obvio para un modelo autorregresivo de orden : No es obvio para un modelo de medias móviles de orden : No obstante, se puede demostrar que un modelo de medias móviles puede expresar a la serie como una serie infinita de observaciones pasadas. Es decir, un modelo de medias móviles se puede transformar o invertir en un modelo autorregresivo de orden infinito. La Tabla 4.4 (Bowerman, O Conell, Koehler 27) muestra las condiciones de estacionariedad e inversibilidad para los modelos ARMA más comunes. Las condiciones para modelos generales son complicadas por lo que no se estudian en este texto. Sin embargo, se puede decir que si un modelo utiliza parámetros autorregresivos, una condición de estacionariedad necesaria (pero no suficiente) es que la suma de los valores de los parámetros autorregresivos es menor que. Si un modelo utiliza parámetros de media móvil, una condición de inversibilidad necesaria (pero no suficiente) es que la suma de los valores de los parámetros de la media móvil es menor que. Además, un modelo que utiliza sólo parámetros autorregresivos no tiene condiciones de inversibilidad y un modelo que utiliza sólo parámetros de media móvil no tiene condiciones de estacionariedad. 63 Página

24 Tabla 4.4 Condiciones de estacionariedad e invertibilidad 3. Los coeficientes del modelo deben ser estadísticamente significativos: Se debe determinar si los coeficientes son importantes en el modelo o se deben excluir del mismo. Se hace uso de los valores del error estándar y el valor asociado a cada uno de los coeficientes del modelo. El valor de se define como: á Ambos valores normalmente son calculados automáticamente por los programas estadísticos tales como MINITAB o SAS. La exclusión de aquellos coeficientes que no son importantes en el modelo se hace mediante la hipótesis de que el coeficiente no es significativo, por tanto si se rechaza esta hipótesis, el coeficiente es significativo y debe permanecer en el modelo. Como regla práctica se dice que es razonable incluir en el modelo un parámetro cuya estadística absoluta es mayor que 2. Si el valor de absoluto de un coeficiente es menor a 2, entonces debemos considerar seriamente, excluir el parámetro del modelo. La Figuras 4.8 y 4.9 muestra la salida de dos ajustes realizados por MINITAB. En la primer figura se observa que los valores asociados a los coeficientes calculados son menores a dos, por lo que supone que el modelo propuesto no es apropiado y debe considerarse excluir algún parámetro del modelo. En la segunda figura se ha excluido un parámetro y el valor en valor absoluto es mayor a dos, para el coeficiente MA. En este caso el parámetro es importante en el modelo y no debe excluirse. 64 Página

25 Figura 4.8 Ajuste MINITAB modelo inadecuado Figura 4.9 Ajuste MINITAB modelo adecuado 4. El modelo debe proporcionar un adecuado ajuste: Aplicar la modelación ARIMA a una serie de tiempo no es garantía de que se obtendrá un modelo que ajuste a la perfección, en especial en aquellas series donde existe gran cantidad de perturbaciones aleatorias que no puedan ser ajustadas al modelo. Suele suceder que para una misma serie de tiempo, existen varios modelos que cumplen con las 65 Página

26 características de un modelo adecuado y proporcionan resultados similares, sin embargo debe escogerse aquel que se ajuste mejor a la serie. Una medida útil que ayuda a conocer el grado de ajuste del modelo a la serie es la RMSE (root-meansquared error). Esta medida da a conocer la desviación estándar de los residuales, y se calcula como: Donde: : : ú : ú Generalmente se utiliza el valor de RMSE para compararlo con el de otros modelos estimados para la misma serie. Se preferirá aquel modelo cuyo RMSE tienda a tener menor valor Evaluación del modelo Una vez estimados los coeficientes del modelo propuesto, la siguiente etapa en la metodología Box- Jenkins es la evaluación ó verificación del mismo. En este paso se comprueba la eficiencia del modelo y se decide si es estadísticamente adecuado. Un modelo estadísticamente adecuado es aquel cuyos residuales son independientes entre sí. Es decir, si los residuales son completamente aleatorios. Para comprender mejor el objetivo de esta etapa, es conveniente recordar algunas ideas importantes:. La idea básica de la metodología es modelar aquellos datos que estén correlacionados entre sí, mediante la combinación de términos AR y MA. 2. Los fenómenos reales siempre presentan perturbaciones aleatorias, también llamados choques aleatorios ó proceso de ruido blanco. 3. La metodología Box-Jenkins asume que las perturbaciones aleatorias pertenecientes a un proceso son independientes entre sí. No existe correlación alguna entre ellas. Por tanto estas perturbaciones no se modelan mediante términos AR o MA. En la práctica las perturbaciones aleatorias no se pueden identificar directamente en una serie de tiempo. Sin embargo, los residuales del modelo ARIMA, nos proporcionan un cálculo aproximado de las perturbaciones reales (Pankratz 983). Recordemos que los residuales de cualquier modelo ARIMA se definen como: Donde: : 66 Página

27 : : á Entonces, si los residuales muestran estar correlacionados entre sí, significa que existe un patrón que aun no ha sido tomado en cuenta por los términos autorregresivos y/o de medias móviles del modelo propuesto. Por lo tanto, se concluye que si los residuales están correlacionados de alguna manera, estos no son ruido blanco y se debe buscar otro modelo cuyos residuales sean completamente aleatorios. La función de autocorrelación simple de los residuales es el instrumento que se utiliza para determinar si el modelo es estadísticamente adecuado. El cálculo de los coeficientes de autocorrelación se realiza por medio de la misma fórmula vista en el capítulo 2 pero aplicada a los residuales del modelo ajustado (Pankratz 983): Donde: : ó : : : : ú Mediante el análisis de esta función se busca que los coeficientes de autocorrelación sean cero o muy cercanos a él. Específicamente se pretende que los coeficientes no sean significativos. Esto se determina a través del estadístico asociado a la función de autocorrelación simple de los residuales: 2 La mayoría de los programas de computadora realiza automáticamente el cálculo del estadístico. MINITAB por su parte despliega el gráfico de la función de autocorrelación de los residuales, tal como se observa en la Figura Página

28 Por medio del gráfico y de las bandas se puede establecer si el valor de un coeficiente es significativo. Si uno o varios valores de autocorrelación sobrepasan las bandas de dos desviaciones estándar, significa que el ó los coeficientes son significativamente distintos de cero y por lo tanto, los residuales no son independientes entre sí. El modelo no es estadísticamente adecuado. De modo contrario, si los valor de los coeficientes no sobrepasan la banda de puntos, indica que dichos valores no son significativo y por tanto se asume que los residuales son independientes entre si y se acepta el modelo. También una regla común es que para los tres primeros rezagos de tiempo, si el valor del estadístico calculado es menor que.25 y menor que.6 para rezagos posteriores, se concluya que las perturbaciones aleatorias son independientes entre sí (Pankratz 983). Autocorrelation ACF of Residuals for Esf (Yt) (with 5% significance limits for the autocorrelations) Lag Figura 4.2 Función de autocorrelación simple de los residuales mediante MINITAB Es necesario precisar que el cálculo del estadístico tan sólo es una aproximación del valor real, lo que podría provocar que se consideren los residuos como aleatorios, cuando en realidad no lo son, o viceversa. Por esta razón se recomienda el uso del estadístico Ljung-Box, el cual también se enfoca al análisis de los coeficientes de autocorrelación de los residuales, pero lo hace de manera grupal. Es una prueba que considera un conjunto de coeficientes de autocorrelación. El estadístico Ljung-Box se define como: 2 Donde: : ú : ó : : ú 68 Página

29 El valor de se fija arbitrariamente, la mayoría de los programas de computadora establecen 6,2,8 24. La forma en que se prueba la eficiencia de un modelo a través de este estadístico sigue el mismo razonamiento, es decir, se trata de comprobar que los residuos no están correlacionados y, por tanto, las autocorrelaciones de los residuos deben ser pequeñas. Por consiguiente, debe ser pequeña. Ahora bien, juzgar que el valor de es un valor pequeño, es sumamente subjetivo. Es por eso que se utilizan ciertas condiciones para establecer un punto de rechazo de la suficiencia del modelo. Se utiliza una escala de distribución chi-cuadrado, a la cual se asocia un valor que representa la probabilidad de juzgar de manera correcta el valor de. Se puede demostrar que si el valor de es pequeño, el valor de es grande y el modelo no es adecuado y viceversa (Bowerman, O Conell, Koehler 27). De forma práctica, si el valor de es mayor que. pero menor que.5, se considera que el modelo es inaceptable sin lugar a dudas. Si el valor de es mayor que.5 entonces se dice que es razonable concluir que el modelo es suficiente. No es del alcance de esta tesis demostrar los valores anteriores, pero se consideran aceptables y válidos debido a la amplia difusión que tienen en la literatura existente. También cabe destacar que la razón de mencionar el valor de para analizar la suficiencia de un modelo es que en los paquetes informáticos se incluye con frecuencia este valor. Además es una manera práctica y rápida de evaluar la suficiencia del modelo. Una manera de comprobar que el modelo es estadísticamente adecuado. Para ejemplificar lo enunciado anteriormente, consideremos la salida de MINITAB para dos modelos propuestos (Figuras 4.2 y 4.22). En primera figura, la tabla se muestra los valores del estadístico Ljung-Box y el valor. Los valores son menores que.5, en este caso, se rechaza la suficiencia del modelo y debe proponerse un nuevo modelo. En la segunda, los valores de son mayores a.5 por lo que se acepta la suficiencia del modelo y puede procederse a la realización de pronósticos. Figura 4.2 Salida MINITAB Figura 4.22 Salida MINITAB Pronóstico La fase final de la metodología Box-Jenkins es pronosticar valores futuros de la serie de tiempo. En primer lugar se debe comprender cómo realizar predicciones puntuales a partir de un modelo ARIMA ya estimado. En segundo lugar se debe estudiar cómo estimar límites de probabilidad alrededor de una estimación puntual, conocidos particularmente como intervalos de confianza. Y por último se debe conocer y probar la suficiencia de los pronósticos. 69 Página

30 A partir de este punto y con el fin de explicar la generación de pronósticos, se asumirá que se conoce al modelo ARIMA en su totalidad, es decir, se conoce sus coeficientes y se ha probado que el modelo es adecuado. Se hace notar que en la práctica, estas consideraciones son verdaderas si se ha identificado y estimado los parámetros del modelo conforme a la aplicación de las etapas anteriores. El pronóstico de una serie de tiempo se hace por medio de predicciones ó estimaciones puntuales. Así, una predicción puntual se define como el valor de la variable en el tiempo, calculado por medio del modelo ARIMA ajustado a la serie. La forma más conveniente para empezar a realizar predicciones puntuales es escribir el modelo incluyendo el restablecimiento de la no estacionariedad. Hay que recordar que en el primer paso de la metodología, se induce la estacionariedad en la serie de tiempo (sólo en caso que se requiera), por medio de diferencias. Para restablecer las características originales de la serie, se realiza la operación inversa, es decir, se integra a la serie. A este proceso inverso se le conoce como integración. Se advierte la importancia del restablecimiento de condiciones iniciales, ya que es lógico que se requieran para obtener pronósticos adecuados y apegados a la realidad. Para ejemplificar cómo se escribe un modelo considerando la integración de la serie, tomemos un modelo ARIMA(,,) cuya ecuación es: Donde: : Simplemente se sustituye en la ecuación del modelo: Despejando : Ahora bien, para explicar la forma en que se realizan las predicciones puntuales tomemos como ejemplo el modelo ARIMA(,,) ajustado a la serie que se muestra en la Tabla 4.5. (Se explicará de esta forma debido a que es práctico y fácilmente entendible). 7 Página

31 t Y t t Y t t Y t t Y t Tabla 4.5 Serie de tiempo ejemplo La ecuación del modelo, considerando la integración de la serie es: Una predicción puntual para este modelo ARIMA(,,) particular se calcularía a partir de: Donde: Al realizar predicciones puntuales (específicamente para este ejemplo) se considera lo siguiente: La predicción puntual de de la perturbación futura es cero. La predicción puntual de de la perturbación aleatoria pasada es el residuo é si podemos calcular y es cero si no la podemos determinar. El coeficiente del modelo calculado mediante MINITAB es: Página

32 A parir del valor del coeficiente se trata de predecir el valor de la variable en el tiempo, la ecuación queda:.256 Puesto que no hay valor para, no se puede calcular el valor de, ni el primer residuo ( ) y este se considera. Luego para intentar predecir a partir del tiempo de origen se tiene:.3534 Como En este caso 5 de la Tabla 4.5 Al usar el valor se puede calcular: Con este residuo se puede calcular a partir del origen 2 como: Con este valor se calcula a su vez: Al continuar con este proceso con cada uno de los siguientes periodos, se obtiene que la predicción puntual El residuo para el periodo 2 es: Ahora bien, hasta ahora se han predicho valores hasta el periodo 2, a partir del origen inmediato anterior, es decir, se calculó el valor de a partir del origen 9, el valor a partir del origen 8, y así sucesivamente. Sin embargo como no se cuenta con las observaciones para los periodos subsecuentes 2, 22, 23, etc., las predicciones puntuales,,,. se obtienen a partir del origen 2. Entonces el pronóstico puntual para es: Página

33 Puesto que no se cuenta con la observación, no se puede obtener el valor por lo que se supone un valor de. Entonces la predicción puntual para a partir del origen 2 es:.3534 Se asume que el valor es igual al valor de puesto que no existe valor observado en ese tiempo Esta operación se realiza sucesivamente hasta el periodo de tiempo que se desee pronosticar. Por otra parte cada pronóstico posee un intervalo de confianza asociado a la probabilidad de que el valor futuro observado se encuentre dentro de dicho intervalo. Normalmente se establece que la probabilidad sea del 95%. A esta combinación probabilidad-intervalo normalmente se le conoce como intervalo de confianza del 95%. Por medio de esta manera se puede conocer si los pronósticos son satisfactorios o no. La generación de pronósticos es satisfactoria si los valores futuros se encuentran dentro del intervalo de confianza. De manera inversa serán insatisfactorios si estos se hallan fuera del intervalo. El cálculo de un intervalo de confianza del 95% para un pronóstico, se realiza por medio de la ecuación:.96 Donde: : ó : ó El cálculo de quedá fuera del alcance de este texto. No obstante, las salidas de los programas estadísticos contienen los valor correspondientes a cada predicción puntual. Para el ejemplo anterior donde y se tiene que El intervalo de confianza del 95% para es: Para es: , , Página

34 Después de que se ha encontrado un modelo adecuado, se pueden llevar a cabo los pronósticos para un periodo, o varios, en el futuro. Si el patrón de la serie parece cambiar con el tiempo, los nuevos datos podrían usarse para volver a estimar los parámetros del modelo o, de ser necesario, desarrollar un modelo completamente nuevo. Vigilar los errores de pronóstico es una buena idea. Si las magnitudes de los errores más recientes tienden a ser considerablemente mayores que los anteriores, quizá sea hora de evaluar nuevamente el modelo. 4.4 Metodología Box-Jenkins Estacional La metodología vista hasta ahora, está enfocada a series de tiempo no estacionales. Sin embargo, en la práctica se presentan frecuentemente series con estacionalidad. Este hecho no se había remarcado anteriormente debido a que las etapas de la metodología para series estacionales no varían en su concepto y siguen las mismas pautas. Las variaciones que deben tenerse en cuenta al aplicar modelos ARIMA a series estacionales consisten principalmente en tres aspectos: el reconocimiento del periodo estacional, la estabilización de la serie y la adición de términos autorregresivos y/o de medias móviles referidos a periodos de tiempo anteriores donde. A continuación se presentan aquellas consideraciones extras que deben hacerse en cada una de las etapas. Estacionariedad: Uno de los requisitos para poder iniciar la identificación y estimación del modelo es que la serie debe ser estacionaria. Recordemos que si la serie presenta algún tipo de patrón ascendente o descendente, la serie es inestable o no estacionaria, por lo que la serie debe ser transformada para lograr su estabilización. La Figura 4.23 muestra una serie estacional donde se muestra un aumento en los valores de la serie. 5 Yt Tiempo Figura 4.23 Serie de tiempo no estacionaria 74 Página

fundamentales de series de tiempo

fundamentales de series de tiempo 2 Conceptos fundamentales de series de tiempo 2. Definición de una serie de tiempo Una serie de tiempo es el conjunto de mediciones que describen la evolución de un fenómeno o variable a lo largo del tiempo

Más detalles

Modelos Arma y método Box & Jenkins

Modelos Arma y método Box & Jenkins Modelos Arma y método Box & Jenkins Alumno: Aldo Fournies Pallavicini. Profesor: Humberto Villalobos. 17/07/2013 Índice. Introducción... 3 Conceptos Básicos... 4 Modelos de autoregresión.... 5 Modelo AR(p)...

Más detalles

Curso de Predicción Económica y Empresarial Edición 2004

Curso de Predicción Económica y Empresarial  Edición 2004 Curso de Predicción Económica y Empresarial www.uam.es/predysim Edición 2004 UNIDAD 3: MODELOS ARIMA La identificación del modelo a partir de la fac y facp Tal y como se ha señalado, para identificar el

Más detalles

Análisis de Series de Tiempo

Análisis de Series de Tiempo CURSO REGIONAL SOBRE HOJA DE BALANCE DE ALIMENTOS, SERIES DE TIEMPO Y ANÁLISIS DE POLÍTICA MSc. Sandra Hernández sandra.hernandezro@gmail.com Sede Subregional de la CEPAL en México Ciudad de México, del

Más detalles

Agro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos

Agro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,

Más detalles

EJC 22: METODOLOGÍA BOX JENKINS

EJC 22: METODOLOGÍA BOX JENKINS EJC 22: METODOLOGÍA BOX JENKINS La publicación de G.P.E Box y G.M Jenkins Times Series Análisis: Forecasting and Control en la década de los 70 s generó un nuevo conjunto de herramientas de predicción,

Más detalles

Análisis de regresión y correlación lineal

Análisis de regresión y correlación lineal Análisis de regresión y correlación lineal En las unidades anteriores hemos aplicado metodologías estadísticas para analizar la información de una variable desde una o más muestras utilizando las herramientas

Más detalles

Procesos autorregresivos

Procesos autorregresivos Capítulo 3 Procesos autorregresivos Los procesos autorregresivos deben su nombre a la regresión y son los primeros procesos estacionarios que se estudiaron. Proceso autorregresivo: Un proceso autorregresivo

Más detalles

Curso de nivelación Estadística y Matemática

Curso de nivelación Estadística y Matemática Modelo de Curso de nivelación Estadística y Matemática Pruebas de hipótesis, y Modelos ARIMA Programa Técnico en Riesgo, 2017 Agenda Modelo de 1 2 Asociación Medidas de asociación para variables intervalo

Más detalles

ANÁLISIS DE REGRESIÓN

ANÁLISIS DE REGRESIÓN ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y

Más detalles

Part III. Modelos Box-Jenkins. Series de Tiempo. Germán Aneiros Pérez. Introducción. Procesos ARMA: Procesos ARIMA:

Part III. Modelos Box-Jenkins. Series de Tiempo. Germán Aneiros Pérez. Introducción. Procesos ARMA: Procesos ARIMA: Part III Modelos Box-Jenkins Bibliografía Bibliografía Brockwell, P.J. y Davis, R.A. (2002). Introduction to Time Series and Forecasting. 2 a edición. Springer. Cowpertwait, P.S.P. y Metcalfe, A.V. (2009).

Más detalles

Correlación. El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r)

Correlación. El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r) Correlación El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r) El coeficiente de correlación lineal de Pearson (r) permite medir el grado de asociación entre

Más detalles

Estimación de Parámetros. Jhon Jairo Padilla A., PhD.

Estimación de Parámetros. Jhon Jairo Padilla A., PhD. Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de

Más detalles

Estimación de Parámetros. Jhon Jairo Padilla A., PhD.

Estimación de Parámetros. Jhon Jairo Padilla A., PhD. Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de

Más detalles

Métodos Numéricos. Unidad 1. Teoría de Errores

Métodos Numéricos. Unidad 1. Teoría de Errores Métodos Numéricos Unidad 1. Teoría de Errores Contenido Introducción Error Aproximado y Error Relativo Error Redondeo y de Cifras Significativas Errores de Truncamiento Errores en la Computadora Otros

Más detalles

Pronóstico con Modelos ARIMA para los casos del Índice de Precios y Cotizaciones (IPC) y la Acción de América Móvil (AM)

Pronóstico con Modelos ARIMA para los casos del Índice de Precios y Cotizaciones (IPC) y la Acción de América Móvil (AM) Pronóstico con Modelos ARIMA para los casos del Índice de Precios y Cotizaciones (IPC) y la Acción de América Móvil (AM) Rosa María Domínguez Gijón Resumen este proyecto son el IPC y la acción de América

Más detalles

Prof. Angel Zambrano ENERO 2009 Universidad de Los Andes Escuela de Estadística

Prof. Angel Zambrano ENERO 2009 Universidad de Los Andes Escuela de Estadística Prof. Angel Zambrano ENERO 009 Universidad de Los Andes Escuela de Estadística Muestreo: Es una metodología que apoyándose en la teoría estadística y de acuerdo a las características del estudio, indica

Más detalles

La econometría : una mirada de pájaro

La econometría : una mirada de pájaro La econometría : una mirada de pájaro Contenido Objetivo Definición de Econometría Modelos determinista y estocástico Metodología de la econometría Propiedades de un modelo econométrico Supuestos de un

Más detalles

EL PAPEL DE LA ESTADISTICA EN O Y M. Objetivo: Identificar índices estadísticos, y métodos más convenientes, para aplicarlos en el estudio de O y M.

EL PAPEL DE LA ESTADISTICA EN O Y M. Objetivo: Identificar índices estadísticos, y métodos más convenientes, para aplicarlos en el estudio de O y M. EL PAPEL DE LA ESTADISTICA EN O Y M Objetivo: Identificar índices estadísticos, y métodos más convenientes, para aplicarlos en el estudio de O y M. O y M necesita apoyarse en la estadística que en casos

Más detalles

Ejemplos de estudios de series de tiempo

Ejemplos de estudios de series de tiempo 1 Ejemplos de estudios de series de tiempo Ejemplo 1 Pasajeros Aerolíneas Internacionales (PAI) Este estudio está realizado sobre un famoso conjunto de datos mensuales, el número de pasajeros de aerolíneas

Más detalles

EXPOSICIÓN UNIDAD II

EXPOSICIÓN UNIDAD II SIMULACIÓN EQUIPO: 4 2.1 MÉTODOS DE GENERACIÓN DE NÚMEROS PSEUDOALEATORIOS 2.2 PRUEBAS ESTADÍSTICAS DE ALEATORIEDAD CABRERA HERNÁNDEZ TERESA ELIZABETH 1 DE MARZO DEL 2011 2.1 GENERACIÓN DE NÚMEROS PSEUDOALEATORIOS

Más detalles

SERIE TEMPORAL TASA PASIVA REFERENCIAL ECUADOR MAT. GEOVANNY TOALOMBO Agosto 2006

SERIE TEMPORAL TASA PASIVA REFERENCIAL ECUADOR MAT. GEOVANNY TOALOMBO Agosto 2006 SERIE TEMPORAL TASA PASIVA REFERENCIAL ECUADOR MAT. GEOVANNY TOALOMBO Agosto 20 Se presenta a continuación el estudio de la serie de tiempo, para la Tasa Pasiva Referencial fuente Banco Central de Ecuador

Más detalles

MÉTODOS DE PRONÓSTICO TEMA 1: ANÁLISIS DE SERIES DE TIEMPO Y ELABORACIÓN DE PRONÓSTICOS

MÉTODOS DE PRONÓSTICO TEMA 1: ANÁLISIS DE SERIES DE TIEMPO Y ELABORACIÓN DE PRONÓSTICOS UNIDAD 4 MÉTODOS DE PRONÓSTICO TEMA 1: ANÁLISIS DE SERIES DE TIEMPO Y ELABORACIÓN DE PRONÓSTICOS Predicción de lo que sucederá en el futuro. 1 Predicción de lo que sucederá en el futuro. Los métodos de

Más detalles

Pronósticos Automáticos

Pronósticos Automáticos Pronósticos Automáticos Resumen El procedimiento de Pronósticos Automáticos esta diseñado para pronosticar valores futuros en datos de una serie de tiempo. Una serie de tiempo consiste en un conjunto de

Más detalles

MODELOS DE SERIES DE TIEMPO 1. Modelos capaces de predecir, interpretar y evaluar hipótesis con datos económicos y financieros.

MODELOS DE SERIES DE TIEMPO 1. Modelos capaces de predecir, interpretar y evaluar hipótesis con datos económicos y financieros. MODELOS DE SERIES DE TIEMPO 1 Introducción Modelos capaces de predecir, interpretar y evaluar hipótesis con datos económicos y financieros. Originalmente tuvieron como objetivo hacer predicciones. Descomposición

Más detalles

5. Estimación del Modelo y Resultados

5. Estimación del Modelo y Resultados 5. Estimación del Modelo y Resultados 5.1. Forma reducida del modelo Como no se tienen datos sobre la tasa natural de desempleo, es necesario hacer una forma reducida del modelo para poder estimarlo utilizando

Más detalles

7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE

7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE ESCUELA UNIVERSITARIA DE ENFERMERIA DE TERUEL 1 er CURSO DE GRADO DE ENFERMERIA Estadística en Ciencias de la Salud 7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE PROFESOR Dr. Santiago

Más detalles

Máster en comunicaciones. Clase 2. Modelos predictores.

Máster en comunicaciones. Clase 2. Modelos predictores. Máster en comunicaciones. Clase 2. Modelos predictores. 1. Introducción Uno de los cometidos más importantes de la estadística es la explotación de los datos observados de una o más características de

Más detalles

TEMA 3.- EL ANALISIS ESTADISTICO DE LA INFORMACION (MODELIZACION) DIFERENTES TIPOS DE PROCEDIMIENTOS ESTADISTICOS

TEMA 3.- EL ANALISIS ESTADISTICO DE LA INFORMACION (MODELIZACION) DIFERENTES TIPOS DE PROCEDIMIENTOS ESTADISTICOS TEMA 3.- EL ANALISIS ESTADISTICO DE LA INFORMACION (MODELIZACION) PROCEDIMIENTOS ESTADISTICOS CONSTRUCCION DE MODELOS DIFERENTES TIPOS DE PROCEDIMIENTOS ESTADISTICOS Cada procedimiento es aplicable a un

Más detalles

OCW-V.Muto Análisis de los errores Cap. II CAPITULO II. ANALISIS DE LOS ERRORES 1. ESQUEMA DE RESOLUCION NUMERICA DE UN PROBLEMA

OCW-V.Muto Análisis de los errores Cap. II CAPITULO II. ANALISIS DE LOS ERRORES 1. ESQUEMA DE RESOLUCION NUMERICA DE UN PROBLEMA CAPITULO II. ANALISIS DE LOS ERRORES 1. ESQUEMA DE RESOLUCION NUMERICA DE UN PROBLEMA Si se desea resolver un problema físico B, lo primero que se suele hacer es traducirlo al lenguaje matemático para

Más detalles

Econometría dinámica y financiera

Econometría dinámica y financiera Econometría dinámica y financiera Introducción a la econometría financiera. Modelos ARCH Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Introducción Los modelos que hemos visto son lineales

Más detalles

LA NATALIDAD EN EL ECUADOR MEDIANTE SERIES TEMPORALES

LA NATALIDAD EN EL ECUADOR MEDIANTE SERIES TEMPORALES LA NATALIDAD EN EL ECUADOR MEDIANTE SERIES TEMPORALES Autor Luz Marina Basilio Gómez 1 John Ramírez 2 1. Ingeniero en Estadística Informática 2001 2. Director de Tesis, Matemático Escuela Superior Politécnica

Más detalles

Tema 3 Medidas de dispersión para datos no agrupados

Tema 3 Medidas de dispersión para datos no agrupados Tema 3 Medidas de dispersión para datos no agrupados Estas medidas pueden completar la información que aportan las medidas de tendencia, acerca de un grupo de datos. En tal sentido, habrá que considerar

Más detalles

modelación ARIMA a un puente instrumentado

modelación ARIMA a un puente instrumentado 5 Aplicación de la modelación ARIMA a un puente instrumentado 5.1 El caso de un puente en curva La Secretaría de Comunicaciones y Transportes (SCT) construyó la carretera de cuota Tuxtla Gutiérrez San

Más detalles

Gráfico de Desgaste de Herramientas

Gráfico de Desgaste de Herramientas Gráfico de Desgaste de Herramientas Resumen El procedimiento Gráfico de Desgaste de Herramientas crea cuadros de control para una sola variable numérica donde se espera que cambien las cantidades en un

Más detalles

ESTADISTICA PARA LA ADMINISTRACION

ESTADISTICA PARA LA ADMINISTRACION ESTADISTICA PARA LA ADMINISTRACION ANALISIS DE SERIES DE TIEMPO Y PRONOSTICOS DE NEGOCIOS ALUMNOS: JANINE INDAHITA RIVERA ARZOLA DIANA CAROLINA ROMERO BERBER FRANCISCO ALFREDO MERCADO CARINA OLIVARES LEÓN

Más detalles

que represente lo mejor posible la relación entre valores X e Y permitiéndonos inferir un valor a partir del otro.

que represente lo mejor posible la relación entre valores X e Y permitiéndonos inferir un valor a partir del otro. Regresió n josé a. mañas 8.2.2017 1 Introducción El objetivo de las técnicas de regresión es identificar una función que permita estimar una variable Y en función de la otra X. Es decir, averiguar una

Más detalles

Instituto Politécnico Nacional Escuela Superior de Cómputo Modelos de Pronóstico

Instituto Politécnico Nacional Escuela Superior de Cómputo Modelos de Pronóstico Instituto Politécnico Nacional Escuela Superior de Cómputo Modelos de Pronóstico M. En C. Eduardo Bustos Farías 1 Gestión de Demanda Clientes Internos y Externos Proactiva: Promociones, Políticas de Precio,

Más detalles

INDICE 1. Introducción 2. Recopilación de Datos Caso de estudia A 3. Descripción y Resumen de Datos 4. Presentación de Datos

INDICE 1. Introducción 2. Recopilación de Datos Caso de estudia A 3. Descripción y Resumen de Datos 4. Presentación de Datos INDICE Prefacio VII 1. Introducción 1 1.1. Qué es la estadística moderna? 1 1.2. El crecimiento y desarrollo de la estadística moderna 1 1.3. Estudios enumerativos en comparación con estudios analíticos

Más detalles

Conceptos básicos estadísticos

Conceptos básicos estadísticos Conceptos básicos estadísticos Población Población, en estadística, también llamada universo o colectivo, es el conjunto de elementos de referencia sobre el que se realizan las observaciones. El concepto

Más detalles

3. RELACION ENTRE DOS CONJUNTOS DE DATOS.

3. RELACION ENTRE DOS CONJUNTOS DE DATOS. 3. RELACION ENTRE DOS CONJUNTOS DE DATOS. 3. 1 Introducción En la búsqueda de mejoras o en la solución de problemas es necesario, frecuentemente, investigar la relación entre variables. Para lo cual existen

Más detalles

Qué es? Primer paso Representación en un sistema de coordenadas. numéricos Cada punto muestra el valor de cada pareja de datos (X e Y)

Qué es? Primer paso Representación en un sistema de coordenadas. numéricos Cada punto muestra el valor de cada pareja de datos (X e Y) Gráfico de dispersión Qué es? Primer paso Representación en un sistema de coordenadas cartesianas de los datos numéricos Cada punto muestra el valor de cada pareja de datos (X e Y) Gráfico de dispersión

Más detalles

DIRECCIÓN Y ADMINISTRACIÓN DE PEQUEÑAS EMPRESAS

DIRECCIÓN Y ADMINISTRACIÓN DE PEQUEÑAS EMPRESAS DIRECCIÓN Y ADMINISTRACIÓN DE PEQUEÑAS EMPRESAS Modulo tercero (integración). Clave de asignatura LC 735 PROFESOR: C.P. DAVID ARREDONDO ALCANTAR 1.- PRONOSTICOS 1.3.- Tipos de pronósticos. Los pronósticos

Más detalles

Minado de series de tiempo utilizando la metodología ARIMA

Minado de series de tiempo utilizando la metodología ARIMA Minado de series de tiempo utilizando la metodología ARIMA MELO-MORÍN, Julia* y SANTANA-ESPARZA, Gil. 21 Instituto Superior Tecnológico de Panuco, Prol. Avenida Artículo Tercero Constitucion s/n, Solidaridad,

Más detalles

TALLER DE INTRODUCCIÓN A LOS NEGOCIOS

TALLER DE INTRODUCCIÓN A LOS NEGOCIOS REGRESIÓN LINEAL SIMPLE INTRODUCCIÓN Si sabemos que existe una relación entre una variable denominada dependiente y otras denominadas independientes (como por ejemplo las existentes entre: la experiencia

Más detalles

INTRODUCCION A LA SIMULACION DE MODELOS. Simulación es la descripción de un sistema a través de modelos que se pueden aplicar a varias disciplinas.

INTRODUCCION A LA SIMULACION DE MODELOS. Simulación es la descripción de un sistema a través de modelos que se pueden aplicar a varias disciplinas. Tema N 1 Definiciones INTRODUCCION A LA SIMULACION DE MODELOS Simulación es la descripción de un sistema a través de modelos que se pueden aplicar a varias disciplinas. La simulación esencialmente es una

Más detalles

Nota: Las afirmaciones y los gráficos de este documento han sido extraídos de la obra cuya portada se reproduce abajo, para uso didáctico como

Nota: Las afirmaciones y los gráficos de este documento han sido extraídos de la obra cuya portada se reproduce abajo, para uso didáctico como Nota: Las afirmaciones y los gráficos de este documento han sido extraídos de la obra cuya portada se reproduce abajo, para uso didáctico como complemento a los apuntes de una asignatura del Departamento

Más detalles

Introducción a la Econometría

Introducción a la Econometría 1Econometría Introducción a la Econometría -Que es la econometría - Por que una disciplina aparte? -Metodología de la econometría Planeamiento de la teoría o hipótesis Especificación del modelo matemático

Más detalles

TODO ECONOMETRÍA. A continuación voy a realizar un primer gráfico para observar el comportamiento de mi serie.

TODO ECONOMETRÍA. A continuación voy a realizar un primer gráfico para observar el comportamiento de mi serie. Sabemos que se aprende de las regularidades del comportamiento pasado de la serie y se proyectan hacia el futuro. Por lo tanto, es preciso que los procesos aleatorios generadores de las series temporales

Más detalles

ANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE

ANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE ANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE Jorge Fallas jfallas56@gmail.com 2010 1 Temario Introducción: correlación y regresión Supuestos del análisis Variación total de Y y variación explicada por

Más detalles

TALLER DE MATEMÁTICAS 1º E.S.O.

TALLER DE MATEMÁTICAS 1º E.S.O. CONTENIDOS MÍNIMOS TALLER DE MATEMÁTICAS 1º E.S.O. A continuación se da una estimación de dichos contenidos mínimos: 1. Calcular expresiones numéricas con números enteros, con y sin paréntesis, respetando

Más detalles

Guía breve de análisis de series temporales unidimensionales con Gretl

Guía breve de análisis de series temporales unidimensionales con Gretl Guía breve de análisis de series temporales unidimensionales con Gretl 1. Pasos a seguir 1. Representación de la serie temporal (Variable Gráfico de series temporales). 2. Serie temporal no estacionaria

Más detalles

Asignatura: Horas: Total (horas): Obligatoria X Teóricas 4.5 Semana 4.5 Optativa Prácticas Semanas 72.0

Asignatura: Horas: Total (horas): Obligatoria X Teóricas 4.5 Semana 4.5 Optativa Prácticas Semanas 72.0 UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA PROGRAMA DE ESTUDIO Aprobado por el Consejo Técnico de la Facultad de Ingeniería en su sesión ordinaria del 19 de noviembre de 2008 INFERENCIA

Más detalles

ADMINISTRACION DE OPERACIONES

ADMINISTRACION DE OPERACIONES Sesión4: Métodos cuantitativos ADMINISTRACION DE OPERACIONES Objetivo específico 1: El alumno conocerá y aplicara adecuadamente los métodos de pronóstico de la demanda para planear la actividad futura

Más detalles

01. A qué se denomina conjunto de punto flotante? Conjunto de números racionales utilizado para representar a los números reales.

01. A qué se denomina conjunto de punto flotante? Conjunto de números racionales utilizado para representar a los números reales. PREGUNTAS PARA ORIENTAR EL ESTUDIO DEL CAPITULO 1. Subtemas: 1.1. Representación de un número real en punto flotante y operaciones. 1.2. Underflow y Overflow. 01. A qué se denomina conjunto de punto flotante?

Más detalles

La principal característica de la modelación clásica es el enfoque determinístico con que se estudia y analiza una serie de tiempo.

La principal característica de la modelación clásica es el enfoque determinístico con que se estudia y analiza una serie de tiempo. 3 Modelación clásica Es a finales del siglo XVII que se tienen los primeros indicios de estudios a conductas sociales, movimientos demográficos, enfermedades, así como tasas de nacimientos a partir de

Más detalles

Folleto de Estadísticas. Teoría del 2do Parcial

Folleto de Estadísticas. Teoría del 2do Parcial Folleto de Estadísticas Teoría del 2do Parcial 2012 Variables aleatorias conjuntas continuas: Sean X y Y dos variables aleatorias continuas con ellas se asocia una función denominada función de densidad

Más detalles

Los errores asociados a todo cálculo numérico tienen su origen en dos grandes factores:

Los errores asociados a todo cálculo numérico tienen su origen en dos grandes factores: Errores El concepto de error es consustancial con el cálculo numérico. En todos los problemas es fundamental hacer un seguimiento de los errores cometidos a fin de poder estimar el grado de aproximación

Más detalles

07 Estimación puntual e introducción a la estadística inferencial

07 Estimación puntual e introducción a la estadística inferencial 07 Estimación puntual e introducción a la estadística inferencial Diego Andrés Alvarez Marín Profesor Asistente Universidad Nacional de Colombia Sede Manizales 1 Contenido Qué es la estadística inferencial?

Más detalles

Series de Tiempo. Pablo Flores. Universidad Iberoamericana 1 de noviembre de 2016

Series de Tiempo. Pablo Flores. Universidad Iberoamericana 1 de noviembre de 2016 Series de Tiempo Pablo Flores Universidad Iberoamericana paflores@bcie.org 1 de noviembre de 2016 Pablo Flores (UNIBE) Short title 1 de noviembre de 2016 1 / 12 Sumario Definición. Ejemplos Pablo Flores

Más detalles

Modelación estadística: La regresión lineal simple

Modelación estadística: La regresión lineal simple Modelación estadística: La regresión lineal simple Gabriel Cavada Ch. 1 1 División de Bioestadística, Escuela de Salud Pública, Universidad de Chile. Statistical modeling: Simple linear regression Cuando

Más detalles

Método de cuadrados mínimos

Método de cuadrados mínimos REGRESIÓN LINEAL Gran parte del pronóstico estadístico del tiempo está basado en el procedimiento conocido como regresión lineal. Regresión lineal simple (RLS) Describe la relación lineal entre dos variables,

Más detalles

Más Allá del Modelo de Regresión Lineal. Dante A. Urbina

Más Allá del Modelo de Regresión Lineal. Dante A. Urbina Más Allá del Modelo de Regresión Lineal Dante A. Urbina CONTENIDOS 1. Modelos de Regresión No Lineales 2. Modelos de Respuesta Cualitativa 3. Datos de Panel 4. Modelos Autorregresivos y de Rezagos 5. Modelos

Más detalles

Metas para lograr en Primero Medio para el año 2015 en Matemáticas Profesor: Rodrigo Pérez Cruz Habilidades Matemáticas

Metas para lograr en Primero Medio para el año 2015 en Matemáticas Profesor: Rodrigo Pérez Cruz Habilidades Matemáticas Metas para lograr en Primero Medio para el año 2015 en Matemáticas Comprender que los números racionales constituyen un conjunto numérico en el que es posible resolver problemas que no tienen solución

Más detalles

Econometría 2. Modelos no estacionarios y contrastes de raíz unitaria = 0 8. (0 4) 1 +, (0 2 ), y valores críticos

Econometría 2. Modelos no estacionarios y contrastes de raíz unitaria = 0 8. (0 4) 1 +, (0 2 ), y valores críticos Econometría 2 Modelos no estacionarios y contrastes de raíz unitaria 1. Cuál de las siguientes afirmaciones es verdadera? (a) Un proceso I(1) es un camino aleatorio; (b) Un camino aleatorio es un ruido

Más detalles

2. EL DISEÑO UNIFACTORIAL (COMPARACION DE TRATAMIENTOS)

2. EL DISEÑO UNIFACTORIAL (COMPARACION DE TRATAMIENTOS) 2. EL DISEÑO UNIFACTORIAL (COMPARACION DE TRATAMIENTOS) La idea principal en este capitulo es el inicio a planear los diseño experimentales y su correspondiente análisis estadístico. En este caso iniciaremos

Más detalles

REGRESIÓN Y ESTIMACIÓN TEMA 1: REGRESIÓN LINEAL SIMPLE

REGRESIÓN Y ESTIMACIÓN TEMA 1: REGRESIÓN LINEAL SIMPLE UNIDAD 3 REGRESIÓN Y ESTIMACIÓN TEMA 1: REGRESIÓN LINEAL SIMPLE Relación entre variables de interés 1 Relación entre variables de interés Muchas decisiones gerenciales se basan en la relación entre 2 o

Más detalles

Econometría II Grado en finanzas y contabilidad

Econometría II Grado en finanzas y contabilidad Econometría II Grado en finanzas y contabilidad Metodología Box-Jenkins Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es un resumen/modificación de la documentación elaborada

Más detalles

Modelado y simulación en Ingeniería Química. Manuel Rodríguez

Modelado y simulación en Ingeniería Química. Manuel Rodríguez ÍNDICE Modelos de caja gris Calibración de modelos Estimación de parámetros Análisis de la estimación Regresión no lineal 1. Modelos de caja gris Son modelos de un sistema (o proceso), donde: Desarrollados

Más detalles

Métodos Estadísticos para Economía y Gestión IN 540 Clase 7

Métodos Estadísticos para Economía y Gestión IN 540 Clase 7 Métodos Estadísticos para Economía y Gestión IN 540 Clase 7 Perturbaciones no Esféricas 17 de junio de 2010 1 Preliminares Matriz de Varianzas y Covarianzas cuando ɛ t es un AR(1) Naturaleza y causas de

Más detalles

ESTADISTICA PARA LA CALIBRACIÓN Y VALIDACIÓN DE METODOLOGÍAS ANALÍTICAS

ESTADISTICA PARA LA CALIBRACIÓN Y VALIDACIÓN DE METODOLOGÍAS ANALÍTICAS ESTADISTICA PARA LA CALIBRACIÓN Y VALIDACIÓN DE METODOLOGÍAS ANALÍTICAS QUÍMICA ANALÍTICA EXPERIMENTAL III SILVIA CITLALLI GAMA GONZÁLEZ PROBLEMA Cuando la cantidad de materia del analito que se encuentra

Más detalles

CURSO DE MÉTODOS CUANTITATIVOS I

CURSO DE MÉTODOS CUANTITATIVOS I CURSO DE MÉTODOS CUANTITATIVOS I TEMA VI: INTRODUCCIÓN AL MUESTREO Ing. Francis Ortega, MGC Concepto de Población y Muestra POBLACIÓN (N) Es el conjunto de todos los elementos de interés en un estudio

Más detalles

Estadística Aplicada a la Educación

Estadística Aplicada a la Educación Estadística Aplicada a a la la Educación Estadística Aplicada a la Educación Tutor. UNED Madrid-Sur (A.U. Parla) Miguel Ángel Daza 2014/15 migdaza@madridsur.uned.es 1 2014/15 1 2 4 5 6 7 8 9 10 11 12 La

Más detalles

Estadística Industrial. Universidad Carlos III de Madrid Series temporales Práctica 5

Estadística Industrial. Universidad Carlos III de Madrid Series temporales Práctica 5 Estadística Industrial Universidad Carlos III de Madrid Series temporales Práctica 5 Objetivo: Análisis descriptivo, estudio de funciones de autocorrelación simple y parcial de series temporales estacionales.

Más detalles

I. INTRODUCCIÓN. A cada valor de una señal digital se le llama bit y es la unidad mínima de información.

I. INTRODUCCIÓN. A cada valor de una señal digital se le llama bit y es la unidad mínima de información. I. INTRODUCCIÓN 1. SEÑALES Y TIPOS Como vimos en el tema anterior, la electrónica es la rama de la ciencia que se ocupa del estudio de los circuitos y de sus componentes que permiten modificar la corriente

Más detalles

Estadísticas Pueden ser

Estadísticas Pueden ser Principios Básicos Para iniciar en el curso de Diseño de experimentos, es necesario tener algunos conceptos claros en la parte de probabilidad y estadística. A continuación se presentan los conceptos más

Más detalles

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS. Aplicación de la simulación regenerativa y la técnica bootstrap, para mejorar la calidad del estimador.

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS. Aplicación de la simulación regenerativa y la técnica bootstrap, para mejorar la calidad del estimador. UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS FACULTAD DE CIENCIAS MATEMATICAS E.A.P. DE..INVESTIGACIÓN OPERATIVA Aplicación de la simulación regenerativa y la técnica bootstrap, para mejorar la calidad del

Más detalles

Diplomado en Modelos Econométricos Dinámicos Coordinadora académica: M.F. Esperanza Sainz López

Diplomado en Modelos Econométricos Dinámicos Coordinadora académica: M.F. Esperanza Sainz López Diplomado en Modelos Econométricos Dinámicos Coordinadora académica: M.F. Esperanza Sainz López Presentar al alumno algunos modelos cuya estructura dinámica permite realizar análisis del comportamiento

Más detalles

Ajustando Curva SnapStat

Ajustando Curva SnapStat STATGRAPHICS Rev. 9/14/26 Ajustando Curva SnapStat Resumen El procedimiento Ajustando Curva SnapStat crea un resumen de una pagina que describe la relación entre un solo factor cuantitativo X y una variable

Más detalles

Generalmente, el objetivo de cualquier estudio de econometría es la. búsqueda de relaciones matemáticas que permitan explicar el comportamiento

Generalmente, el objetivo de cualquier estudio de econometría es la. búsqueda de relaciones matemáticas que permitan explicar el comportamiento 5. METODOLOGÍA ECONOMÉTRICA. Generalmente, el objetivo de cualquier estudio de econometría es la búsqueda de relaciones matemáticas que permitan explicar el comportamiento de una variable económica a partir

Más detalles

Inferencia estadística: Prueba de Hipótesis. Jhon Jairo Padilla A., PhD.

Inferencia estadística: Prueba de Hipótesis. Jhon Jairo Padilla A., PhD. Inferencia estadística: Prueba de Hipótesis Jhon Jairo Padilla A., PhD. Justificación Es una etapa de análisis de datos de un experimento comparativo: Se compara un parámetro de una v.a. con un valor dado.

Más detalles

Práctica 2. Tratamiento de datos

Práctica 2. Tratamiento de datos Errores Todas las medidas que se realizan en el laboratorio están afectadas de errores experimentales, de manera que si se repiten dos experiencias en las mismas condiciones es probable que los resultados

Más detalles

4.1 Análisis bivariado de asociaciones

4.1 Análisis bivariado de asociaciones 4.1 Análisis bivariado de asociaciones Los gerentes posiblemente estén interesados en el grado de asociación entre dos variables Las técnicas estadísticas adecuadas para realizar este tipo de análisis

Más detalles

Estadística para el análisis de los Mercados S3_A1.1_LECV1. Estadística Descriptiva Bivariada

Estadística para el análisis de los Mercados S3_A1.1_LECV1. Estadística Descriptiva Bivariada Estadística Descriptiva Bivariada En el aspecto conceptual, este estudio puede ser generalizado fácilmente para el caso de la información conjunta de L variables aunque las notaciones pueden resultar complicadas

Más detalles

Conjuntos Los conjuntos se emplean en muchas áreas de las matemáticas, de modo que es importante una comprensión de los conjuntos y de su notación.

Conjuntos Los conjuntos se emplean en muchas áreas de las matemáticas, de modo que es importante una comprensión de los conjuntos y de su notación. NÚMEROS REALES Conjuntos Los conjuntos se emplean en muchas áreas de las matemáticas, de modo que es importante una comprensión de los conjuntos y de su notación. Un conjunto es una colección bien definida

Más detalles

ESTADÍSTICA: CONCEPTOS Y CARACTERÍSTICAS

ESTADÍSTICA: CONCEPTOS Y CARACTERÍSTICAS Y CARACTERÍSTICAS La estadística: campos e importancia La estadística es una rama de las matemáticas que (a través de un conjunto de técnicas, métodos, normas, reglas y procedimientos que se ocupan en

Más detalles

Tema 2. Regresión Lineal

Tema 2. Regresión Lineal Tema 2. Regresión Lineal 3.2.1. Definición Mientras que en el apartado anterior se desarrolló una forma de medir la relación existente entre dos variables; en éste, se trata de esta técnica que permite

Más detalles

Diplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López

Diplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López Diplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López Brindar al alumno los conocimientos de los métodos econométricos fundamentales y de los conceptos estadísticos que éstos requieren,

Más detalles

Unidad Temática 3: Estadística Analítica. Unidad 9 Regresión Lineal Simple Tema 15

Unidad Temática 3: Estadística Analítica. Unidad 9 Regresión Lineal Simple Tema 15 Unidad Temática 3: Estadística Analítica Unidad 9 Regresión Lineal Simple Tema 15 Estadística Analítica CORRELACIÓN LINEAL SIMPLE Indica la fuerza y la dirección de una relación lineal proporcional entre

Más detalles

Universidad Mariano Gálvez Ingeniería Electrónica Estadística inferencial. Presenta Dra. En Ing. Rita Victoria de León Ardón

Universidad Mariano Gálvez Ingeniería Electrónica Estadística inferencial. Presenta Dra. En Ing. Rita Victoria de León Ardón Universidad Mariano Gálvez Ingeniería Electrónica Estadística inferencial Presenta Dra. En Ing. Rita Victoria de León Ardón Objetivo de la presentación Desarrollar el concepto de regresión múltiple y sus

Más detalles

MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I

MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I CONOCIMIENTOS MÍNIMOS MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I CONTENIDOS DESTREZAS Aritmética y Álgebra Números reales, Operaciones con potencias y radicales, notación científica Aritmética mercantil:

Más detalles

ESTADÍSTICA APLICADA A LA EDUCACIÓN (Tema 11) Asignatura de Formación Básica (FB) de 1º curso, común a los Grado en Educación Social y en Pedagogía

ESTADÍSTICA APLICADA A LA EDUCACIÓN (Tema 11) Asignatura de Formación Básica (FB) de 1º curso, común a los Grado en Educación Social y en Pedagogía ESTADÍSTICA APLICADA A LA EDUCACIÓN (Tema 11) Asignatura de Formación Básica (FB) de 1º curso, común a los Grado en Educación Social y en Pedagogía VIDEOCLASE: Introducción a la estimación de parámetros

Más detalles

Unidad IV: Distribuciones muestrales

Unidad IV: Distribuciones muestrales Unidad IV: Distribuciones muestrales 4.1 Función de probabilidad En teoría de la probabilidad, una función de probabilidad (también denominada función de masa de probabilidad) es una función que asocia

Más detalles

APUNTES SOBRE SERIES HISTÓRICAS O CRONOLÓGICAS

APUNTES SOBRE SERIES HISTÓRICAS O CRONOLÓGICAS APUNTES SOBRE SERIES HISTÓRICAS O CRONOLÓGICAS 35 3 25 2 15 1 5 21 22 23 24 25 Reyes Donis, José Luis SERIES HISTORICAS O CRONOLÓGICAS Llamadas también series de tiempo, se denomina serie de tiempo a un

Más detalles

Teorema Central del Límite (1)

Teorema Central del Límite (1) Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico

Más detalles

5. DISEÑO FACTORIALES 2 k

5. DISEÑO FACTORIALES 2 k 5. DISEÑO FACTORIALES 2 k Los diseños factoriales son ampliamente utilizados en experimentos en los que intervienen varios factores para estudiar el efecto conjunto de éstos sobre una respuesta. Un caso

Más detalles

CAPITULO V. MERTON. Durante este capítulo se aplicará el modelo de Merton descrito en el capítulo 2 de esta

CAPITULO V. MERTON. Durante este capítulo se aplicará el modelo de Merton descrito en el capítulo 2 de esta CAPITULO V. MERTON Durante este capítulo se aplicará el modelo de Merton descrito en el capítulo de esta tesis para obtener la prima. La aplicación de este modelo implica el cálculo de la media y la varianza

Más detalles